算法評測與數據分析工程師

團隊使命（Mission）
在全球能源轉型與碳中和目標加速推進的時代背景下，可控核聚變被廣泛認為是實現長期、可持續、零碳能源的關鍵技術路徑之一。隨著高溫超導、先進制造與計算能力的快速發展，聚變裝置的工程可行性與物理可行性正迎來關鍵窗口期。
仿星器作為一種具備穩態運行潛力的磁約束聚變裝置，其三維幾何復雜性使得傳統基于人工經驗與局部掃描的設計方法面臨巨大的計算與人力瓶頸。新一代仿星器設計問題本質上已演變為一個高維、多目標、強物理約束的復雜優化問題。
我們的團隊致力于構建 下一代 AI 驅動的仿星器設計與優化平臺，將大規模物理仿真、生成式模型、智能體系統與物理約束機器學習深度融合，打造端到端的自動化設計—評估—優化閉環。我們的目標是：將傳統需要數月到數年的仿星器設計與參數優化流程，轉變為可擴展、自動化、由 AI 驅動的智能設計體系，顯著加速新型高性能仿星器構型的發現與工程優化，為聚變能走向工程化與商業化提供關鍵技術支撐。
主要職責
* 管理仿真產生的參數與性能指標數據集，開展系統化的數據管理、清洗與分析。
* 設計并執行嚴格的算法實驗，對不同 AI 調參算法的性能、效率與魯棒性進行評測與對比。
* 通過可視化與報告等方式，清晰呈現參數優化過程與結果，支撐技術決策與科研匯報。
職位技能要求（Required）
* 扎實的數據分析與統計基礎，能夠設計與執行嚴謹的算法實驗與對比評測。
* 熟練使用 Python 數據分析與可視化工具（如 NumPy、Pandas、Matplotlib、Seaborn 等）。
* 具備良好的實驗設計與復現意識，能夠構建標準化 benchmark 與評測流程。
* 能夠將復雜實驗結果轉化為清晰的可視化與技術報告。
* 熟悉基本的軟件工程與數據管理實踐（數據版本、實驗追蹤等）。
加分項（Preferred）
* 有機器學習算法 benchmark、ablation study 或 robustness 評測經驗。
* 熟悉 MLflow、Weights & Biases 或類似實驗管理工具。
* 有大規模仿真數據或科學數據分析經驗。
* 具備基本的統計推斷或不確定性分析背景。
* 有科研論文或技術報告撰寫經驗。
成果與影響（Impact）
- 研究成果將直接用于真實仿星器構型篩選與工程設計決策
- 系統將服務于實際仿真與設計流程，而不僅限于離線方法研究
- 在國際頂級會議與期刊發表成果（如 NeurIPS、ICML、ICLR、CVPR, Physical Review Letters, Nuclear Fusion 等）
- 為未來聚變裝置設計提供可擴展的 AI 基礎設施與技術范式